新智元報(bào)道

編輯：元宇 英智

【新智元導(dǎo)讀】自GPT-2以來(lái)，大模型的整體架構(gòu)雖然未有大的變化，但從未停止演化的腳步。借OpenAI開(kāi)源gpt-oss（120B/20B），Sebastian Raschka博士將我們帶回硬核拆機(jī)現(xiàn)場(chǎng)，回溯了從GPT-2到gpt-oss的大模型演進(jìn)之路，并將gpt-oss與Qwen3進(jìn)行了詳細(xì)對(duì)比。

8月5日，在GPT-5發(fā)布前兩天，OpenAI推出了它的兩款開(kāi)源權(quán)重大語(yǔ)言模型：gpt-oss-120b、gpt-oss-20b。

這是自2019年GPT-2，近六年來(lái)OpenAI首次發(fā)布開(kāi)放權(quán)重的模型。

得益于巧妙的優(yōu)化技術(shù)，這些模型甚至可以在本地設(shè)備上運(yùn)行。

Sebastian Raschka博士在《從GPT-2到gpt-oss：架構(gòu)進(jìn)步分析》一文中，將我們拉回硬核拆機(jī)現(xiàn)場(chǎng)，深度解析了從GPT-2到gpt-oss的LLM架構(gòu)演進(jìn)，并將gpt-oss與Qwen3進(jìn)行了詳細(xì)對(duì)比。

以下是本文的核心內(nèi)容速覽：

• 模型架構(gòu)：GPT-2與gpt-oss模型架構(gòu)對(duì)比；

• MXFP4優(yōu)化技術(shù)：如何將龐大的gpt-oss模型部署在單張GPU上；

• 寬度與深度的權(quán)衡：gpt-oss與Qwen3的設(shè)計(jì)思路對(duì)比分析；

• 注意力機(jī)制的細(xì)節(jié)：注意力偏置（Attention Bias）與注意力池（Attention Sinks）解析；

• 性能基準(zhǔn)：全面評(píng)測(cè)并與GPT-5展望比較。

GPT-2與gpt-oss的模型架構(gòu)比較

在深入討論架構(gòu)細(xì)節(jié)之前，先看gpt-oss-20b和gpt-oss-120b的整體架構(gòu)。

圖1：兩個(gè)gpt-oss模型的對(duì)比

也許你會(huì)覺(jué)得，這與近期看過(guò)的LLM架構(gòu)相比，并無(wú)任何新奇之處。

這并不奇怪，因?yàn)轫敿獾腖LM開(kāi)發(fā)者，往往采用相同的基礎(chǔ)架構(gòu)，性能提升很可能來(lái)自數(shù)據(jù)與算法的調(diào)整，再做一些小幅微調(diào)。

背后原因可能包括：

1. 人才流動(dòng)：這些頂級(jí)實(shí)驗(yàn)室間的人才流動(dòng)非常頻繁；

2. Transformer架構(gòu)的霸主地位：至今還沒(méi)找到比Transformer架構(gòu)更優(yōu)秀的方案；

3. 性能提升可能來(lái)自數(shù)據(jù)處理和算法上的微調(diào)，而非重大的架構(gòu)變革。

從GPT-2到gpt-oss，LLM模型的演化

先坐上「時(shí)光機(jī)」，回到GPT-2。

圖2：gpt-oss-20b與GPT-2 XL1.5B的比較

gpt-oss和GPT-2都是建立在2017年論文《Attention Is All You Need》提出的Transformer架構(gòu)之上的僅解碼器（decoder-only）LLM。

1. 移除Dropout

Dropout是一種傳統(tǒng)的防止過(guò)擬合的技術(shù)，在訓(xùn)練過(guò)程中隨機(jī)「丟棄」一部分網(wǎng)絡(luò)層的激活值或注意力分?jǐn)?shù)（即將其設(shè)為零），GPT-2之后的多數(shù)現(xiàn)代LLM中很少再使用Dropout。

圖3：將Dropout應(yīng)用于注意力得分矩陣的示意圖

GPT-2最初使用Dropout，可能是沿用了最早的Transformer架構(gòu)設(shè)計(jì)。

研究者們發(fā)現(xiàn)，它并不能真正提升LLM的性能。

這很可能是因?yàn)長(zhǎng)LM通常在海量的數(shù)據(jù)集上進(jìn)行單輪訓(xùn)練，這與當(dāng)初Dropout誕生時(shí)所針對(duì)的那種動(dòng)輒訓(xùn)練數(shù)百輪的場(chǎng)景截然不同。

由于訓(xùn)練中每個(gè)token只被看到一次，過(guò)擬合的風(fēng)險(xiǎn)原本就很小。

今年的一篇論文通過(guò)在Pythia 1.4B的實(shí)驗(yàn)證實(shí)，在當(dāng)前這種單輪訓(xùn)練模式下，使用Dropout反而會(huì)導(dǎo)致模型在下游任務(wù)中的表現(xiàn)變差。

2. RoPE替代絕對(duì)位置編碼

在基于Transformer的大模型中，位置編碼是必要的，因?yàn)樽⒁饬C(jī)制本身默認(rèn)把輸入的token視為無(wú)序。

在原始的GPT架構(gòu)中，絕對(duì)位置嵌入通過(guò)為序列中的每個(gè)位置學(xué)習(xí)一個(gè)位置向量，并將其與token嵌入相加，從而注入位置信息。

圖4：絕對(duì)位置嵌入的說(shuō)明

RoPE（旋轉(zhuǎn)位置嵌入）不是把位置信息作為獨(dú)立嵌入相加，而是依據(jù)每個(gè)token的位置，對(duì)query和key向量施加位置相關(guān)的旋轉(zhuǎn)來(lái)編碼。

RoPE最早于2021年被提出，但直到2023年Meta發(fā)布初代Llama模型后才被廣泛采用，并自此成為了LLM的標(biāo)配。

3. 激活函數(shù)之爭(zhēng)：Swish/SwiGLU何以取代GELU？

激活函數(shù)的選擇曾是一個(gè)熱門話題，直到十多年前逐漸落定到ReLU。

此后研究者提出并嘗試了多種更「平滑」的ReLU變體，其中GELU和Swish被廣泛保留并沿用至今。

圖5：Swish和GELU激活的比較，它們都是ReLU的更平滑版本

早期的GPT架構(gòu)使用GELU，其定義為：0.5·x·[1+erf(x/√2)]。

其中erf（誤差函數(shù)）與高斯積分相關(guān)，通常通過(guò)對(duì)高斯積分的多項(xiàng)式近似來(lái)計(jì)算。而Swish使用的是更簡(jiǎn)單的sigmoid函數(shù)，它的形式是x·sigmoid(x)。

在實(shí)踐中，Swish的計(jì)算成本略低于GELU，這或許是它在多數(shù)新模型中取代GELU的主要原因。

至于建模性能，不同論文結(jié)論略各有差異，但這些差異往往落在統(tǒng)計(jì)標(biāo)準(zhǔn)誤差范圍內(nèi)，最終優(yōu)劣還高度依賴超參數(shù)調(diào)校。

如今，Swish已成為大多數(shù)架構(gòu)的選擇。不過(guò)，GELU也并未被完全拋棄，例如谷歌今年發(fā)布的Gemma模型就仍然堅(jiān)持使用GELU。

更重要的變化：GLU結(jié)構(gòu)

更值得注意的是，比替換激活函數(shù)本身更值得注意的變化是，模型中的前饋網(wǎng)絡(luò)（feed-forward module）模塊的結(jié)構(gòu)也發(fā)生了改變。

前饋模塊常被帶門控的GLU（Gated Linear Unit）變體取代。

具體而言，原本的兩層全連接會(huì)被三層全連接替換，其用法如下圖所示。

圖6：Swish與GELU，及其門控對(duì)應(yīng)版本SwiGLU和GEGLU的比較

為便于說(shuō)明，可對(duì)比常規(guī)FFN與GLU變體的具體代碼實(shí)現(xiàn)思路：

圖7：常規(guī)前饋模塊（頂部）和SwiGLU變體（底部）

假設(shè)embedding維度為1024。常規(guī)FFN中，隱藏維常取4×d_model=4096，因此有：

fc1:1024×4096=4,194,304

fc2:1024×4096=4,194,304

也就是說(shuō)，fc1+fc2=8,388,608個(gè)參數(shù)。

GLU變體（SwiGLU）參數(shù)總量：

3×1,048,576=3,145,728

結(jié)論非常清晰：SwiGLU結(jié)構(gòu)不僅性能更好，總參數(shù)量實(shí)際上還更少。

其優(yōu)勢(shì)來(lái)自于門控帶來(lái)的額外的乘法交互，增強(qiáng)了模型的表達(dá)能力。在訓(xùn)練得當(dāng)?shù)那疤嵯拢罡木W(wǎng)絡(luò)往往勝過(guò)更淺更寬的網(wǎng)絡(luò)。

4. 混合專家模型 (MoE) 替代單個(gè)前饋網(wǎng)絡(luò)

除了上文提到的把前饋模塊升級(jí)為SwiGLU之外，gpt-oss還用多個(gè)前饋模塊替換了單個(gè)前饋模塊，并在每個(gè)token生成步驟中只啟用其中的一個(gè)子集。

這種做法稱為Mixture-of-Experts（MoE，專家混合），如下圖8所示。

圖8：前饋模塊被專家混合（MoE）模塊替代

因此，用多個(gè)前饋模塊取代單個(gè)前饋模塊（MoE的典型做法）會(huì)顯著增加模型的總參數(shù)量。

不過(guò)關(guān)鍵在于：我們不會(huì)對(duì)每個(gè)token激活所有專家，因此，MoE常被稱為稀疏模塊。與之相對(duì)，始終使用全部參數(shù)的稱為致密模塊。

MoE帶來(lái)的總參數(shù)量意味著在訓(xùn)練中能「裝下」更多知識(shí)；稀疏性又能在推理階段保持較高的效率。

5. 分組查詢注意力（GQA）替代多頭注意力（MHA）

近年，分組查詢注意力（Grouped Query Attention, GQA） 已成為多頭注意力（Multi-Head Attention, MHA） 的一種計(jì)算和參數(shù)效率都更高的替代方案。

在多頭注意力（MHA）中，每個(gè)頭都擁有一套獨(dú)立的鍵和值向量。

GQA的核心思想則是通過(guò)分組來(lái)減少計(jì)算量：它讓多個(gè)查詢頭共享同一套鍵和值。

如（圖9）所示，假設(shè)有4個(gè)注意力頭和2個(gè)鍵值組（key-value groups），那么頭1和頭2可以共享一組鍵值，而頭3和頭4則共享另一組。

這種分組機(jī)制減少了鍵和值的總計(jì)算量，從而降低了內(nèi)存使用并提升了效率。

在推理過(guò)程中，需要緩存（KV Cache）和讀取的鍵值張量變少了，這極大地降低了對(duì)內(nèi)存帶寬的需求，從而加快了生成速度。

圖9：MHA與GQA的比較；此處，組大小為2，其中一對(duì)鍵和值在2個(gè)查詢中共享

GQA有如下兩個(gè)好處：

（1）降低參數(shù)量；

（2）在推理時(shí)減少K/V張量的帶寬占用，因?yàn)镵VCache中需要存取的K/V更少。

6. 滑動(dòng)窗口注意力 (Sliding Window Attention)

滑動(dòng)窗口注意力（Sliding-window attention）見(jiàn)下圖10，這一技術(shù)最早由LongFormer論文（2020年）引入，后來(lái)被Mistral推廣。

圖10：常規(guī)注意力（左）與滑動(dòng)窗口注意力（右）的比較

有趣的是，gpt-oss在每隔一層就應(yīng)用一次滑窗注意力，可以把它視作MHA/GQA的一種變體。

其核心思想是將注意力計(jì)算的范圍限制在一個(gè)較小的窗口內(nèi)，從而有效降低內(nèi)存占用和計(jì)算成本。

gpt-oss在網(wǎng)絡(luò)中交替使用兩類GQA層：一種對(duì)全上下文做注意力，另一種使用僅128 token的滑動(dòng)窗口。

根據(jù)消融研究，滑動(dòng)窗口注意力對(duì)模型性能的影響很小。

需要注意的是，Gemma2的窗口為4096 tokens，而Gemma3將其降到1024 tokens。在gpt-oss中，窗口僅為128 tokens，可謂非常小。

GPT-3已經(jīng)使用了類似的交替致密與局部帶狀稀疏注意力，而gpt-oss與GPT-3類似，也采用交替的致密與局部帶狀稀疏注意力模式。

回看了GPT-3論文，確實(shí)有相關(guān)描述：

我們使用與GPT-2相同的模型架構(gòu)……不同之處在于，我們?cè)赥ransformer的各層中采用了交替的致密與局部帶狀稀疏注意力模式，這與Sparse Transformer類似。

7. RMSNorm替代LayerNorm

最后，與GPT-2相比的最后一個(gè)小調(diào)整，是用RMSNorm取代LayerNorm。

與把GELU換成Swish，把FFN換成SwiGLU的做法類似，RMSNorm也是一種小而合理的效率提升。

RMSNorm和LayerNorm的目的都是對(duì)層激活值進(jìn)行歸一化，如下圖所示。

圖11：一個(gè)小線性層中LayerNorm（左）與RMSNorm（右）的比較

在圖11中，LayerNorm和RMSNorm都將層輸出縮放到一個(gè)合理的范圍內(nèi)。

LayerNorm會(huì)減去均值并除以標(biāo)準(zhǔn)差，使層輸出具有零均值與單位方差（方差為1、標(biāo)準(zhǔn)差為1）。

RMSNorm則將輸入除以RMS。這不會(huì)強(qiáng)制零均值與單位方差，但均值與方差仍會(huì)落在合理區(qū)間：均值約在-1到1，方差約在0到1。

盡管兩者都能起到穩(wěn)定激活值、改善優(yōu)化的作用，但LLM中，RMSNorm更受青睞，因?yàn)樗?jì)算成本更低。

與LayerNorm不同，RMSNorm沒(méi)有偏置（bias/shift）項(xiàng)，并把計(jì)算均值和方差兩個(gè)步驟簡(jiǎn)化為RMS操作。

這使得跨特征維度的規(guī)約（reduction）操作從兩次減少到了一次，從而降低了GPU之間的通信開(kāi)銷，提升了訓(xùn)練效率。

下圖展示了它們?cè)诖a實(shí)現(xiàn)上的區(qū)別：

圖12：LayerNorm和RMSNorm的代碼實(shí)現(xiàn)，顯示RMSNorm在計(jì)算上更簡(jiǎn)單

8. GPT-2的價(jià)值傳承

學(xué)習(xí)LLM時(shí)，GPT-2是非常好的入門級(jí)架構(gòu)。

從GPT-2入手，你可以把重心放在基礎(chǔ)要素上（注意力機(jī)制、位置嵌入、歸一化以及整體訓(xùn)練流程），而不會(huì)被新架構(gòu)里層出不窮的功能與微調(diào)細(xì)節(jié)「淹沒(méi)」。

gpt-oss與Qwen3的比較

在梳理了從GPT-2到gpt-oss的演進(jìn)之后，Sebastian Raschka博士將gpt-oss與更近的架構(gòu)Qwen3進(jìn)行比較。

選擇Qwen3，主要基于兩點(diǎn)原因：

1. Qwen3在當(dāng)前屬于頂尖開(kāi)源權(quán)重（open-weight）模型；

2. Qwen3的某個(gè)MoE變體在可訓(xùn)練參數(shù)規(guī)模上與gpt-oss相近，便于直接對(duì)比。

通過(guò)圖中的對(duì)比，可以看到：gpt-oss20B與Qwen3 30B-A3B在架構(gòu)上非常相似。

圖13：gpt-oss-20b與Qwen3模型比較

主要差別在于gpt-oss使用了滑動(dòng)窗口注意力機(jī)制，而Qwen3未使用該機(jī)制。

1. 寬度與深度權(quán)衡

Qwen3是一個(gè)更深的架構(gòu)，它有48個(gè)Transformer Block，而不是24個(gè)（見(jiàn)下圖14）。

圖14：Qwen3的Transformer塊數(shù)量是gpt-oss-20b的兩倍

gpt-oss的架構(gòu)要「寬」得多：

嵌入維度（embedding dimension）為2880，Qwen3為2048。

中間專家層（即前饋網(wǎng)絡(luò)）的投影維度也為2880，Qwen3為768。

gpt-oss的注意力頭數(shù)約為Qwen3兩倍，但這不會(huì)直接增加模型「寬度」，因?yàn)楹笳咧饕蒭mbedding維度決定。

在參數(shù)總量固定的前提下，「更深」與「更寬」孰優(yōu)？

一個(gè)經(jīng)驗(yàn)法則是：更深的模型表達(dá)更靈活，但訓(xùn)練更易不穩(wěn)（梯度爆炸/消失），這正是RMSNorm與殘差/捷徑連接試圖緩解的問(wèn)題。

更寬的架構(gòu)在推理時(shí)通常更快，因?yàn)椴⑿卸雀谩４鷥r(jià)是更高顯存占用。

2. 少量「大專家」vs 大量「小專家」

gpt-oss的專家數(shù)量更少（32 vs 128），且每個(gè)token激活專家更少（4 vs 8）；但gpt-oss的單個(gè)專家更大，比Qwen3的專家「更寬」。

這點(diǎn)頗有意思，因?yàn)榻鼇?lái)的趨勢(shì)傾向于「更多、更小」的專家。

DeepSeek有關(guān)MoE的論文中對(duì)此有很好的示例。

圖15：《DeepSeekMoE：邁向混合專家語(yǔ)言模型的終極專業(yè)化之路》論文注釋圖

與DeepSeek不同，gpt-oss與Qwen3均未采用「共享專家」設(shè)計(jì)。

客觀說(shuō)，gpt-oss-20B的專家較少，可能只是因?yàn)樗Ｐ统叽巛^小的緣故。

觀察gpt-oss-120B版本（見(jiàn)下圖16），確實(shí)在其他設(shè)置不變時(shí)增加了專家數(shù)與層數(shù)。

圖16：對(duì)比兩個(gè)gpt-oss架構(gòu)，120B模型僅擴(kuò)展了Transformer塊的數(shù)量和專家的數(shù)量

然而，僅在層數(shù)與專家數(shù)兩個(gè)維度上縮放的情況并不常見(jiàn)。

Qwen3的多檔MoE模型（見(jiàn)圖17）會(huì)在更多方面做更成比例的伸縮。

圖17：不同Qwen3模型中的架構(gòu)差異

3. 注意力偏置（Attention Bias）與注意力池（Attention Sinks）

gpt-oss與Qwen3都采用GQA（分組查詢注意力）。

主要區(qū)別是gpt-oss在每隔一層使用滑動(dòng)窗口注意力來(lái)限制上下文。

但有個(gè)細(xì)節(jié)引人注意：gpt-oss似乎在注意力權(quán)重里使用了偏置項(xiàng)。

圖18：gpt-oss模型在注意力層使用偏差單元

GPT-2之后，很少再看到偏置項(xiàng)用于此處，通常被視為冗余。

根據(jù)近期一篇論文，從數(shù)學(xué)上證明至少對(duì)k_proj來(lái)說(shuō)確實(shí)如此；而實(shí)證也顯示有無(wú)偏置差別很小。

圖19：展示了在從頭開(kāi)始訓(xùn)練模型時(shí)，有和無(wú)偏差單元的平均測(cè)試損失。

還有一個(gè)細(xì)節(jié)是圖18的代碼里sinks的定義。

注意力池（Attention Sinks）通常指一些特殊的、安插在序列開(kāi)頭的常被關(guān)注token。它們的作用是穩(wěn)定注意力機(jī)制，在長(zhǎng)上下文場(chǎng)景下尤其有用。

在gpt-oss的實(shí)現(xiàn)中，注意力匯并非真實(shí)token，而是按頭（per-head）學(xué)習(xí)的bias logits，直接加到注意力得分上。

圖20：gpt-oss中注意力匯流的使用；基于此處Hugging Face代碼

有趣的小知識(shí)

1. 訓(xùn)練概述

關(guān)于gpt-oss訓(xùn)練集規(guī)模與算法的信息不多。下面摘錄了模型卡（1）與公告（2）里最關(guān)鍵的線索：

gpt-oss使用了我們最先進(jìn)的預(yù)訓(xùn)練與后訓(xùn)練技術(shù)進(jìn)行訓(xùn)練[…]（1）；

訓(xùn)練耗時(shí)約210萬(wàn)H100GPU小時(shí)，其中g(shù)pt-oss-20B少了近10倍（1）；

流程包括有監(jiān)督微調(diào)階段與高計(jì)算量的強(qiáng)化學(xué)習(xí)階段[…]（2）；

數(shù)據(jù)主要是英文、純文本，偏重STEM、編程與通用知識(shí)（2）。

由此可知，gpt-oss是推理型模型。其210萬(wàn)H100小時(shí)的訓(xùn)練量，與DeepSeek V3（278.8萬(wàn)H800小時(shí)）大致同級(jí)。

可惜Qwen3的訓(xùn)練時(shí)長(zhǎng)尚未公開(kāi)。

gpt-oss的訓(xùn)練時(shí)長(zhǎng)同時(shí)包含了指令跟隨的監(jiān)督學(xué)習(xí)與推理的強(qiáng)化學(xué)習(xí)；而DeepSeek V3僅是預(yù)訓(xùn)練基座，其上另行訓(xùn)練了DeepSeek R1。

2. 推理力度

如上所述，gpt-oss是推理型模型。特別之處在于，它被訓(xùn)練成可通過(guò)推理時(shí)伸縮，讓用戶調(diào)節(jié)推理強(qiáng)度。

具體來(lái)說(shuō)，gpt-oss可以在系統(tǒng)提示中接受「Reasoning effort：low/medium/high」指令（見(jiàn)下圖21），并直接影響回復(fù)長(zhǎng)度與準(zhǔn)確度。

圖21：不同推理力度下gpt-oss模型的響應(yīng)長(zhǎng)度和質(zhì)量（來(lái)自模型卡的標(biāo)注圖）

這種可調(diào)性便于在成本、算力、準(zhǔn)確度之間平衡。

3. MXFP4優(yōu)化：小而關(guān)鍵的細(xì)節(jié)

一個(gè)有趣的驚喜是，OpenAI為MoE專家發(fā)布了MXFP4量化方案的gpt-oss模型。MXFP4的優(yōu)化使模型能在單卡設(shè)備上運(yùn)行。

它可以讓gpt-oss-120B放進(jìn)單張80GBH100或更新的GPU；而20B小模型甚至可以放進(jìn)16GB顯存。

gpt-oss模型，在舊硬件上也能跑，但不支持MXFP4，因此顯存占用更高。

4. 基準(zhǔn)測(cè)試

從gpt-oss公告給出的推理類基準(zhǔn)看，gpt-oss與OpenAI自研閉源以及Qwen3旗鼓相當(dāng)（見(jiàn)下圖22）。

圖22：主要基準(zhǔn)圖表來(lái)自官方gpt-oss公告帖子。"無(wú)工具"的gpt-oss-120b數(shù)據(jù)來(lái)自官方模型卡論文，Qwen3的數(shù)值來(lái)自官方Qwen3倉(cāng)庫(kù)。

值得注意的是，gpt-oss-120B的規(guī)模幾乎只有Qwen3 A235B-A22B-Thinking-2507的一半，且可單卡運(yùn)行。

當(dāng)然，基準(zhǔn)成績(jī)不等于真實(shí)可用性。據(jù)這幾天的試用，gpt-oss的能力不俗，但也存在不少人所觀察到的，幻覺(jué)傾向相對(duì)偏高（這點(diǎn)在模型卡中也有提及）。

這可能與其在數(shù)學(xué)、謎題、代碼等推理任務(wù)上的訓(xùn)練重心有關(guān)，導(dǎo)致一定的「通識(shí)遺忘」。

但由于gpt-oss是面向工具使用設(shè)計(jì)，優(yōu)先提升「推理力」而非「記憶量」，隨著開(kāi)源LLM的工具集成成熟，這個(gè)短板未來(lái)或許影響漸小。

5. gpt-oss與GPT-5

OpenAI在gpt-oss之后，很快就發(fā)布了期待已久的GPT-5。

有趣的是，就基準(zhǔn)表現(xiàn)（見(jiàn)圖23）而言，gpt-oss模型與OpenAI旗艦產(chǎn)品之間的接近程度令人驚喜。

圖23：gpt-oss數(shù)據(jù)來(lái)自官方模型卡論文和公告，Qwen3數(shù)據(jù)來(lái)自官方Qwen3-Coder倉(cāng)庫(kù)。

當(dāng)然，基準(zhǔn)≠實(shí)用。由于目前使用樣本還少，結(jié)論為時(shí)尚早。但對(duì)喜愛(ài)開(kāi)源與本地/私有化部署的人而言，這無(wú)疑是一個(gè)好時(shí)機(jī)。

參考資料：

https://magazine.sebastianraschka.com/p/from-gpt-2-to-gpt-oss-analyzing-the